EvoSafeHarness：NVIDIA等为AI Agent自动定制安全防线，攻击成功率从45.6%降至10.0%

Data Source: zgeo.net | 本文 GEO 架构五维质量评估 | 评估时间: 2026-09-22

本文核心技术内容提炼自前沿学术/官方发布，由智脑时代 (zgeo.net) AI 技术分析师结构化降维重组。

随着大语言模型从对话工具走向能够调用文件、账户、数据库和外部服务的智能体，AI Agent安全已成为企业部署AI时必须直面的现实问题。普通模型的一次判断失误可能只会生成错误回答；但当模型能够调用工具、执行操作后，同样的错误却可能带来转账、数据泄露、文件删除等实际影响。约翰斯·霍普金斯大学、NVIDIA、加州大学伯克利分校等机构的研究团队提出 EvoSafeHarness，将安全 Harness 本身作为自动优化对象，相关成果已发表于预印本平台 arXiv。

🔬 核心技术原理解析

EvoSafeHarness 的核心思路是：不对目标大语言模型进行安全微调，整个搜索过程中模型参数始终保持冻结。真正发生变化的是用户、模型和工具之间的 Harness，也就是控制信息如何进入模型、工具调用如何执行以及结果如何返回的系统层逻辑。

研究把 Harness 分为自然语言策略和可执行代码两部分。自然语言策略主要用于明确哪些信息可信、外部内容应如何处理，以及哪些情况需要拒绝；可执行代码则可以直接检查、修改或阻断工具调用，同时记录前序动作、追踪数据流，必要时调用辅助判定模型。这样，部分安全约束可以直接落到执行环节，而不必完全依赖模型是否记住了提示词中的要求。

整个搜索过程由 Designer、Criticizer、Cascade Test Environment 和 Analyzer 协同完成。自动搜索容易出现一个问题：系统可能无意中学会针对测试集本身做规则。为避免这类过拟合，研究加入独立的 Criticizer，它会尝试修改路径、移动文件位置或重新表述攻击指令，检查候选规则是否仍然有效。

研究关注的也不只是攻击成功率能否降低，还包括防御加入之后，智能体是否仍能正常完成任务。

📈 实测数据与效能表现

研究人员首先在 DTAP 上测试 Sonnet 4.6、GLM-5、Kimi-K2.5、Qwen3.7-plus 和 DeepSeek-V4-Flash 5 个模型，并在 OS 文件系统、金融和电信 3 个领域分别搜索 Harness，共形成 15 个「模型 × 领域」组合。

不加防御时，5 个模型之间已经表现出很大的安全差异。**Sonnet 4.6 的平均攻击成功率（ASR）只有 4.8%，DeepSeek-V4-Flash 则达到 71.0%。**固定防御的效果同样受领域影响，CaMeL 和 DRIFT 在文件系统中的表现相对较好，到了金融和电信场景后，防御能力明显减弱。

**EvoSafeHarness 在 15 个组合中的 14 个取得最高综合得分。**平均攻击成功率由无防御时的 45.6% 降至 10.0%，正常任务实用性仅下降 3.3 个百分点。作为比较，CaMeL 和 DRIFT 的平均 ASR 仍为 37.7% 和 42.4%；Progent 可以把 ASR 压到 10.5%，但正常任务实用性也降至 56.4%，而 EvoSafeHarness 为 79.8%。分别看两类攻击，直接攻击 ASR 从 50.9% 降至 12.6%，间接攻击则从 40.4% 降至 7.4%。

在 Agent-SafetyBench 上，3 个模型平均来看，**EvoSafeHarness 的不安全行为率为 12.3%，攻击成功率为 7.4%，攻击环境下的任务实用性达到 63.4%。**从结果看，安全指标的改善没有伴随明显的大规模拒绝正常任务。

迁移实验则更直接地检验了 Harness 是否依赖训练时见过的工具。**EvoSafeHarness 只在 AgentDojo 上搜索，在该基准中取得 82.8% 的实用性和 0% ASR；**随后将同一 Harness 直接用于 AgentDyn，仍保持 75.0% 的实用性和 0% ASR。CaMeL 在 AgentDyn 上也实现了 0% ASR，但正常任务实用性同时降至 0%，说明把所有风险一起拦住并不难，难的是在防住攻击的同时继续让智能体完成正常工作。

在 AgentCanary 的自适应攻击中，**静态攻击条件下，ASR 从 23.6% 降至 9.7%。**随着攻击者不断根据系统反馈修改提示，攻击成功率有所回升；当允许最多 16 轮修改时，3 种攻击器的平均 ASR 为 19.5%。虽然部分攻击重新找到了绕过方式，但防御并没有因为攻击措辞变化而迅速失效。

最后，研究对 DTAP 中 1,050 个配对攻击任务进行了统计检验。15 个模型—领域组合中，有 13 个的攻击成功率显著下降，另外 2 个组合中的模型原本就已经能够抵御绝大多数攻击。在全部任务中，EvoSafeHarness 阻止了 385 个原本能够成功的攻击，只新增 11 个攻击成功案例，统计结果支持这种变化并非随机波动。

与此同时，15 个组合中正常任务实用性的置信区间均与无防御状态重叠。换言之，论文观察到的安全提升，并不是通过大规模削弱正常任务能力换来的。

🎯 智脑时代的 GEO 落地建议

1. 将 AI Agent安全 纳入 GEO 内容战略的信任层建设。 随着 ChatGPT、Perplexity 等 AI 搜索平台越来越多地调用智能体执行任务，企业官网和品牌内容若涉及工具调用、数据交互，必须提前部署类似 EvoSafeHarness 的防御思路。GEO 优化不再只是关键词和结构化数据，而是要让 AI 爬虫和智能体在读取你的内容时，能够清晰识别可信信息与外部注入的边界。

2. 利用间接提示注入的防御逻辑优化内容可信度信号。 EvoSafeHarness 对间接提示注入的防御效果显著（ASR 从 40.4% 降至 7.4%），这提示企业在发布内容时，应通过明确的来源标注、结构化数据标记和权威引用，帮助 AI 智能体区分「数据」与「指令」。在 GEO 层面，这意味着你的内容需要具备更强的语义边界和来源可信度信号。

3. 关注模型与领域自适应带来的排名机制变化。 EvoSafeHarness 表明不同模型和领域需要不同的安全策略。对 GEO 而言，这意味着针对不同 AI 搜索平台（如 ChatGPT、Perplexity、Google AI Overviews）和不同行业领域，企业需要定制化的内容优化策略，而非一套通用方案。智脑时代 (zgeo.net) 建议企业建立「模型 × 领域」的 GEO 内容矩阵，提升在各类 AI 搜索场景中的实体召回率与答案引用权重。

4. 将安全性—实用性平衡指标纳入 GEO 效果评估。 EvoSafeHarness 的核心启示是：安全提升不能以牺牲任务能力为代价。同样，GEO 优化也不能以牺牲内容可读性和用户体验为代价。企业应同时追踪 AI 搜索展现量（实用性）和品牌信息准确性（安全性），确保在 AI 答案合成中既被引用，又被正确引用。

EvoSafeHarness 提供了一种不同于「统一 Guardrail」的思路：智能体进入具体业务环境后，安全约束可以根据模型行为和领域风险重新设计，而不是把同一套规则套到所有系统上。

【官方学术/技术原文链接】点击访问首发地址